目錄標題

• 張量
• 常量
• 變量
• 占位符
• 解讀分析

張量

張量，可理解為一個 n 維矩陣，所有類型的數據，包括標量、矢量和矩陣等都是特殊類型的張量。

常量

聲明一個標量常量：

一個形如 [1，3] 的常量向量可以用如下代碼聲明：

要創建一個所有元素為零的張量，可以使用 tf.zeros() 函數。這個語句可以創建一個形如 [M，N] 的零元素矩陣，數據類型（dtype）可以是 int32、float32 等：

還可以創建與現有 Numpy 數組或張量常量具有相同形狀的張量常量

創建一個所有元素都設為 1 的張量。下面的語句即創建一個形如 [M，N]、元素均為 1 的矩陣：

在一定范圍內生成一個從初值到終值等差排布的序列：

相應的值為 (stop-start)/(num-1)。例如：

從開始（默認值=0）生成一個數字序列，增量為 delta（默認值=1），直到終值（但不包括終值）：

TensorFlow 允許創建具有不同分布的隨機張量：
使用以下語句創建一個具有一定均值（默認值=0.0）和標準差（默認值=1.0）、形狀為 [M，N] 的正態分布隨機數組：

創建一個具有一定均值（默認值=0.0）和標準差（默認值=1.0）、形狀為 [M，N] 的截尾正態分布隨機數組：

要在種子的 [minval（default=0），maxval] 范圍內創建形狀為 [M，N] 的給定伽馬分布隨機數組，請執行如下語句：

要將給定的張量隨機裁剪為指定的大小，使用以下語句

這里，t_random 是一個已經定義好的張量。這將導致隨機從張量 t_random 中裁剪出一個大小為 [2，5] 的張量。
很多時候需要以隨機的順序來呈現訓練樣本，可以使用 tf.random_shuffle() 來沿著它的第一維隨機排列張量。如果 t_random 是想要重新排序的張量，使用下面的代碼：

隨機生成的張量受初始種子值的影響。要在多次運行或會話中獲得相同的隨機數，應該將種子設置為一個常數值。當使用大量的隨機張量時，可以使用 tf.set_random_seed() 來為所有隨機產生的張量設置種子。以下命令將所有會話的隨機張量的種子設置為 54：

TIP：種子只能有整數值。

變量

它們通過使用變量類來創建。變量的定義還包括應該初始化的常量/隨機值。下面的代碼中創建了兩個不同的張量變量 t_a 和 t_b。兩者將被初始化為形狀為 [50，50] 的隨機均勻分布，最小值=0，最大值=10：

注意：變量通常在神經網絡中表示權重和偏置。
下面的代碼中定義了兩個變量的權重和偏置。權重變量使用正態分布隨機初始化，均值為 0，標準差為 2，權重大小為 100×100。偏置由 100 個元素組成，每個元素初始化為 0。在這里也使用了可選參數名以給計算圖中定義的變量命名：

在前面的例子中，都是利用一些常量來初始化變量，也可以指定一個變量來初始化另一個變量。下面的語句將利用前面定義的權重來初始化 weight2：

變量的定義將指定變量如何被初始化，但是必須顯式初始化所有的聲明變量。在計算圖的定義中通過聲明初始化操作對象來實現：

每個變量也可以在運行圖中單獨使用 tf.Variable.initializer 來初始化：

保存變量：使用 Saver 類來保存變量，定義一個 Saver 操作對象：
saver = tf.train.Saver()

占位符

介紹完常量和變量之后，我們來講解最重要的元素——占位符，它們用于將數據提供給計算圖。可以使用以下方法定義一個占位符：

dtype 定占位符的數據類型，并且必須在聲明占位符時指定。在這里，為 x 定義一個占位符并計算 y=2*x，使用 feed_dict 輸入一個隨機的 4×5 矩陣：

解讀分析

需要注意的是，所有常量、變量和占位符將在代碼的計算圖部分中定義。如果在定義部分使用 print 語句，只會得到有關張量類型的信息，而不是它的值。
為了得到相關的值，需要創建會話圖并對需要提取的張量顯式使用運行命令，如下所示：

print(sess.run(t_1))

參考：http://c.biancheng.net/view/1885.html

總結

以上是生活随笔為你收集整理的tensorflow 张量的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。